论文部分内容阅读
本文提出一种基于感知规则的形状分解方法,它能够将形状分解成有语义的部件。形状分解在计算机视觉领域具有重要意义,是物体感知、识别和检测等任务的基础。当前大多数形状分解方法都基于感知规则,其中最经典的三条规则是极小曲率规则、最短割线规则和凸部件规则。在此基础上,本文提出一条新的“部件相似性规则”,它鼓励将物体分解成比较相似的部件,因为物体一般都包含多个相似的部件。综合这四条感知规则,本文将形状分解问题建模成一个有二次约束的二次优化问题,并且通过置信区域的方法得到问题的解。在公开数据集MPEG-7上,本文对所提出的方法进行了评测。定性和定量的实验结果表明,相比于当前最好的方法,本文的方法能够获得和人类的感知规律更一致的分解结果。同时,本文也在3D形状数据集Mcgill上测试了算法性能,并取得了较好的结果。最后,本文利用分解出来的有语义的部件作为形状模板,匹配图像中的边缘进行物体检测。在ETHZ数据集上的结果表明,使用有语义的部件作为模板与使用无语义部件相比具有优势,因为有语义的部件对于关节运动更加鲁棒。这个实验验证了形状分解在物体识别中的重要意义。